مدل‌سازی کاهش کشش به‌وسیله نانوسیال سیلیکا در خطوط لوله افقی جریان تک فازی آب با روش وایازش بردار پشتیبان بهینه‌شده با الگوریتم ژنتیک و مقایسه نتایج مدل با داده‌های تجربی

محورهای موضوعی : شیمی تجزیه

عبدالمحمد قایدی ¹ , عبدالرسول پورانفرد ² , نبی اله رمضانی ³ , اعظم وفائی ⁴

1 - دانشیار شیمی کاربردی، گروه شیمی، واحد گچساران، دانشگاه آزاد اسلامی، گچساران، ایران
2 - استادیار مهندسی شیمی، گروه مهندسی شیمی، دانشگاه یاسوج، یاسوج، ایران
3 - دانشجوی کارشناسی ارشد شیمی کاربردی، گروه شیمی، واحد گچساران، دانشگاه آزاد اسلامی، گچساران، ایران
4 - استادیار شیمی تجزیه، گروه شیمی، واحد گچساران، دانشگاه آزاد اسلامی، گچساران، ایران

تاریخ دریافت : 1395/06/28 تاریخ پذیرش : 1397/08/28 تاریخ انتشار : 1398/12/01

کلید واژه: الگوریتم ژنتیک, آب, کشش, نانو سیال, وایازش بردار پشتیبان, لوله افقی,

چکیده مقاله :

در این پژوهش، برای پیش‌بینی کاهش کشش با نانوسیال در جریان تک فاز آب در لوله‌های افقی، یک مدل پیش‌بینی براساس وایازش بردار پشتیبان به‌کارگرفته شد. برای ساخت یک مدل مؤثر وایازش بردار پشتیبان، عامل‌های وایازش بردار پشتیبان باید به دقت تنظیم می‌شد. ازاین‌رو، یک روش ترکیبی، شناخته شده با عنوان وایازش بردار پشتیبان- الگوریتم ژنتیک پیشنهاد شد که در آن جستجو برای عامل‌های بهینه وایازش بردار پشتیبان با الگوریتم ژنتیک انجام می‌گیرد و پس از آن عامل‌های بهینه را برای ایجاد مدل وایازش بردار پشتیبان می‌پذیرد. مقادیر کاهش کشش به‌دست آمده با مدل پیشنهادی در توافق خوبی با داده‌های تجربی بود. عملکرد مدل وایازش بردار پشتیبان- الگوریتم ژنتیک با مدل وایازش خطی چندگانه مقایسه شد. مقادیر ضریب تعیین 0/9485 و ‌0/874 و مقادیر میانگین مربع خطا‌0/01177 و 0/01772 به ترتیب بین داده‌های تجربی و پیش‌بینی شده با مدل‌های وایازش بردار پشتیبان- الگوریتم ژنتیک و وایازش خطی چندگانه به‌دست آمدند. نتایج نشان داد که مدل وایازش بردار پشتیبان- الگوریتم ژنتیک می‌تواند به‌عنوان یک روش مؤثر برای پیش‌بینی کاهش کشش به‌کار برده شود.

منابع و مأخذ:

[1] Fernandes, R.; Jutte, B.; Rodriguez, M.; Int. J. Multiph. Flow 30, 1051-1069, 2004.
[2] Toms, B.A.; "Proc. 1st Int. Cong. Rheol." 135-141, Amesterdam, North-Holland, 1948.
[3] Abdulbari, H.; Ming, F.; J. Eng. Res. 12, 60-67, 2015.
[4] Guin, M.M.; Kato, H.; Yamaguchi, H.; Maeda, M.; Miyanaga, M.; J. Mar. Sci. Tech. 1, 241-254, 1996.
[5] Takahashi, T.; Kakugawa, A.; Kodama, Y.; J. Soc. Nav. Archit. Jpn. 182, 1-8, 1997.
[6] Kodama, Y.; Kakugawa, A.; Takahashi, T.; Kawashima, H.; Int. Heat Fluid Fl. 21, 582-588, 2000.
[7] Mowla, D.; Naderi, A.; Chem. Eng. Sci. 61, 1549-1554, 2006.
[8] Kim, N.-J.; Kim, S.; Lim, S.H.; Chen, K.; Chun, W.; Int. J. Heat Mass Transf. 36, 1014-1019, 2009.
[9] Lee, K.-H.; Zhang, K.; Choi, H.J.; J. Ind. Eng. Chem. 16, 499-502, 2010.
[10] Karami, H.; Mowla, D.; J. Nonnewton. Fluid Mech. 177, 37-45, 2012.
[11] Drzazga, M.; Gierczycki, A.; Dzido, G.; Lemanowicz, M.; Chin. J. Chem. Eng. 21, 104-108, 2013.
[12] Pouranfard, A.; Mowla, D.; Esmaeilzadeh, F.; Chin. J. Chem. Eng. 23, 471-475, 2015.
[13] Vapnik, V.; Golowich, S.E.; Smola, A.; Adv. Neural Inf. Process Syst. 9, 281-287, 1997.
[14] King, S.L.; Bennett, K.P.; List, S.; Comput. Electron. Agric. 27, 401-406, 2000.
[15] Yuan, Y.; Zhang, R.; Hu, R.; Ruan, X.; Eur. J. Med. Chem. 44, 25-34, 2009.
[16] Duan, K.; Keerthi, S.S.; Poo, A.N.; Neurocomputing 51, 41-59, 2003.
[17] Keerthi, S.S.; IEEE Trans. Neural Netw. 13, 1225-1229, 2002.
[18] Lin, P.; " Support vector regression: systematic design and performance analysis", Doctoral Dissertation, Department of Electronic Engineering, National Taiwan University, 2001.
[19] Niani, C.; Wencong, L.; Jie, Y.; Gozheng, L.; " Support Vector Machine in Chemistry", World Scientific Publishing Co. Pet. Ltd., Shanghai, 2004.
[20] Cristianini, N.; Shawe-Taylor, J., "An introduction to support vector machines and other kernel-based learning methods". Cambridge university press, Cambridge, 2000.
[21] Schölkopf, B.; Smola, A.J., "Learning with kernels: support vector machines, regularization, optimization, and beyond", MIT press, Cambridge, 2002.
[22] Vapnik, V.N.; Vapnik, V., "Statistical learning theory", Wiley, New York, 1998.
[23] Pai, P.F.; Hong, W.-C.; Ann. Tourism Res. 32, 1138-1141, 2005.
[24] Pai, P.F.; Hong, W.-C.; J. Syst. Software 79, 747-755, 2006.
[25] Hong, W.C.; Dong, Y.; Zheng, F.; Lai, C.Y.; Appl. Math. Model. 35, 1282-1291, 2011.
[26] Hong, W.C.; Dong, Y.; Chen, L.-Y.; Wei, S.-Y.; Appl. Soft Comput. 11, 1881-1890, 2011.
[27] Pouranfard, A.; Mowla, D.; Esmaeilzadeh, F.; J. Ind. Eng. Chem. 20, 633-637, 2014.
[28] Vapnik, V., "The nature of statistical learning theory", Springer Science & Business Media, Berlin, Heidelberg, 2013.
[29] Smola, A.J.; Schölkopf, B.; Stat. Comput. 14, 199-222, 2004.
[30] Basak, D.; Pal, S.; Patranabis, D.C.; Neural Inf. Process. Lett. Review. 11, 203-224, 2007.
[31] Cherkassky, V.; Ma, Y.; Neural Netw. 17, 113-126, 2004.
[32] Golberg, D.E.; "Genetic algorithms insearch, Optimization and Machine Learning", Addion-Wesley, New York, 1989.
[33] *
* به اوی، امید؛ صالحی، منوچهر؛ "الگوریتم‌های ژنتیک و بهینه سازی های مرکب"، انتشارات دانشگاه صنعتی امیر کبیر، 24، 1387.
[34]*
* رضائی، علیرضا؛ رنجبران، سجاد؛ "آموزش کاربردی الگوریتم ژنتیک در نرم‌افزار متلب"، انتشارات آذر، تهران، 1386.
[35] Holland, J.; "Adaption in Natural and artificial systems", Ann Arbor, MI: University of Michigan Press, Ml, USA, 1975.

_||_